这8份前沿Paper+Code ，你一定用得上！

https://blog.****.net/tmb8z9vdm66wh68vx1/article/details/78454080

来源：PaperWeekly

本文长度为600字，建议阅读5分钟

本文为你列出八篇自然语言处理、计算机视觉及机器学习领域前沿的论文及代码。

[ 自然语言处理 ]

SLING: A framework for frame semantic parsing

@paperweekly 推荐

#Semantic Parsing

一个非常快的 semantic parsing 工具，工作来自 Google。

论文链接：

http://www.paperweekly.site/papers/957

代码链接：

https://github.com/google/sling

Optimal Hyperparameters for Deep LSTM-Networks for Sequence Labeling Tasks

@wangmuy 推荐

#Sequence Labeling

通过超过 50000 次实验，综合评价序列标注任务（POS，Chunking，NER，Entities，Events）中的超参数作用。将比较有名的序列标注都实现了一遍，并大量实验求证超参数的作用。

论文链接：

http://www.paperweekly.site/papers/962

代码链接：

https://github.com/UKPLab/emnlp2017-bilstm-cnn-crf

Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

@jamiechoi 推荐

#QA

目前 coco leaderboard 第二名，来自微软的论文。 提出了自下而上（bottom-up）和自上而下的 attention (top-down) 机制。其中 bottom-up 是利用 Faster R-CNN 提出图像区域，每个区域都具有相关联的特征向量，而 top-down 的机制确定特征的权重。

论文链接：

http://www.paperweekly.site/papers/754

代码链接：

https://github.com/peteanderson80/bottom-up-attention

[ 计算机视觉 ]

Progressive Growing of GANs for Improved Quality, Stability, and Variation

@Gapeng 推荐

#GAN

NVIDIA 新作，更稳定的 GAN 训练，以及更高分辨率的图像生成，1024*1024 超高分辨率的 CelebA 图像生成。

论文链接：

http://www.paperweekly.site/papers/1008

代码链接：

https://github.com/tkarras/progressive_growing_of_gans

Learning to Compose Domain-Specific Transformations for Data Augmentation

@corenel 推荐

#Data Augmentation

提出了一种不需要特定领域知识的数据扩增的方法，能够生成大量标记样本，并且不损失类别信息。按文中所说，确实能够提升一定的分类模型的精度。

论文链接：

http://www.paperweekly.site/papers/919

代码链接：

https://github.com/HazyResearch/tanda

Class-specific Poisson denoising by patch-based importance sampling

@falconwj 推荐

#Image Denoising

将图像降噪问题与高级视觉问题联系在一起，有针对性的对不同图像内容进行不同程度的降噪。解决了现有手法（BM3d）在 texture 图像降噪上的过处理问题。

论文链接：

http://www.paperweekly.site/papers/999

代码链接：

https://github.com/Ding-Liu/DeepDenoising

[ 机器学习 ]

Reinforcement Learning for Bandit Neural Machine Translation with Simulated Human Feedback

@paperweekly 推荐

#Deep Reinforcement Learning

EMNLP 2017 论文，通过增强学习的方法来做 NMT，提出了一种 actor-critic 与 encoder-decoder 结合的框架。

论文链接：

http://www.paperweekly.site/papers/951

代码链接：

https://github.com/khanhptnk/bandit-nmt

Gated Orthogonal Recurrent Units: On Learning to Forget

@datou 推荐

#RNN

文章是在 GRU 的基础上做了两个修改，一是将参数矩阵 U 变为正交矩阵，而是将 tanh 改为论文提的 modelRELU，对于某些实验有较明显的提高。

论文链接：

http://www.paperweekly.site/papers/1002

代码链接：

https://github.com/jingli9111/GORU-tensorflow